Danke schön :) Klar kein Problem: Im Coursera Kurs von Andrew Ng finden sich Informationen zu k-Means, GMM und PCA: www.coursera.org/learn/machine-learning. Zusätzlich kann ich noch folgende Quellen empfehlen: k-Means: de.wikipedia.org/wiki/K-Means-Algorithmus. Das Buch Data Driven Science & Engineering. GMM: towardsdatascience.com/gaussian-mixture-models-explained-6986aaf5a95 oder en.wikipedia.org/wiki/Mixture_model DBSCAN: de.wikipedia.org/wiki/DBSCAN oder die sklearn Implementation, mit der ich etwas experimentiert habe: scikit-learn.org/stable/auto_examples/cluster/plot_dbscan.html#sphx-glr-auto-examples-cluster-plot-dbscan-py PCA: das Buch Data Driven Science & Engineering. Hier gibt es vom Autor ein Video zu PCA: ua-cam.com/video/fkf4IBRSeEc/v-deo.html. In der Videobeschreibung ist auch eine PDF-Version des Buches verlinkt. LLE: Saul et al, an Introduction to Locally Linear Embedding: cs.nyu.edu/~roweis/lle/papers/lleintro.pdf
coole 3blue 1brown animation❤ danke für das video
Danke schön :)
Wie immer ein super Video :) sehr hilfreich :)
Dankeschön :)
Zu diesem Video gibt es jetzt auch einen zugehörigen Artikel auf meiner Webseite: codingwithmagga.com/unsupervised-learning/
👍🏻👍🏻
sehr cooles und informatives video. könntest du vielleicht grade für den ersten teil ein paar quellen nennen?
Danke schön :)
Klar kein Problem:
Im Coursera Kurs von Andrew Ng finden sich Informationen zu k-Means, GMM und PCA: www.coursera.org/learn/machine-learning. Zusätzlich kann ich noch folgende Quellen empfehlen:
k-Means: de.wikipedia.org/wiki/K-Means-Algorithmus. Das Buch Data Driven Science & Engineering.
GMM: towardsdatascience.com/gaussian-mixture-models-explained-6986aaf5a95 oder en.wikipedia.org/wiki/Mixture_model
DBSCAN: de.wikipedia.org/wiki/DBSCAN oder die sklearn Implementation, mit der ich etwas experimentiert habe: scikit-learn.org/stable/auto_examples/cluster/plot_dbscan.html#sphx-glr-auto-examples-cluster-plot-dbscan-py
PCA: das Buch Data Driven Science & Engineering. Hier gibt es vom Autor ein Video zu PCA: ua-cam.com/video/fkf4IBRSeEc/v-deo.html. In der Videobeschreibung ist auch eine PDF-Version des Buches verlinkt.
LLE: Saul et al, an Introduction to Locally Linear Embedding: cs.nyu.edu/~roweis/lle/papers/lleintro.pdf